Technologies et savoir faire

Outre les résultats issus des travaux de SmartWalk, on s’est attaché à l’amélioration de la précision et de l’intégrité du positionnement dans des environnements complexes comme l’urbain et le ferroviaire. L’idée directrice consiste à augmenter le signal GNSS d’une information issue de cartes 3D urbaines préexistantes ou de flux vidéos issus de caméras embarquées. L’étude INTURB (Urban Trench Method) pour la DGITM a suivi la 1ère approche. On a développé une méthode qui diminue améliore la précision du calcul de positionnement grâce à une modélisation 3D simple et compatible avec les cartes numériques embarquées d’aujourd’hui. La méthode mise en place sur des mesures réalisées à Paris et à Nantes a permis d’améliorer la précision de positionnement du véhicule de 70% en médiane en 3D. La validation de la méthode avec des mesures réalisées à Toulouse a abouti à une amélioration de 30%. On a aussi construit automatiquement la loi d’erreur de pseudo-distance des satellites en fonction des caractéristiques de l’environnement urbain et de la position du satellite par rapport à la rue. Cette recherche a débouché sur une amélioration de la précision et de l’intégrité du positionnement. Les expériences en vraie grandeur, réalisées à Nantes, Paris et Toulouse, pour une durée totale de 10 heures, permettent de garantir un risque d’intégrité de l’ordre de grandeur de 10−3 avec une confiance à 10%.

Selon l’OMS, un décès sur 9 est attribuable à un défaut de qualité de l’air. Afin de mieux prévoir les expositions auxquelles sont soumises les individus, la distribution massive de cap- teurs bas coût associée à une modélisation fine de la ville constitue une voie privilégiée dans le programme scientifique de Sense-City. A cette fin, on a développé des outils numériques peu coûteux pour cartographier la concentration de polluants sur des quartiers entiers à partir de mesures et de modèles déterministes (EDP) qui permettent une quantification pré- cise à l’échelle des individus. La méthode de base réduite ”PBDW” a été adaptée et permet désormais de calculer en 1 sec, à l’aide d’une dizaine de capteurs, la concentration de pol- luants avec une erreur inférieure à 5% sur un quartier de 1km² (figure ci dessous). Elle reconstruit des champs de polluants sans requérir à la reconstruction de l’aéraulique. Elle se montre prometteuse pour reconstruire en temps réel des champs de pollution à grande échelle.

On a mis au point une méthodologie très innovante pour déterminer la tension des câbles d’ouvrages, via la détermination des caractéristiques de tension axiale, de masse linéique et de longueur. Elle mobilise capteurs bas coût, modèle de câble géométriquement exact et méthode inverse originale exploitant la différence de données de mesure entre deux configurations statiques différentes (thèse Arnaud Pacitti). Elle a été validée sur le nouveau banc des câbles du CEREMA à Bordeaux  conçu par COSYS et sur un ouvrage sur la Loire.

La calibration une fois réalisée réduit nettement l’incertitude inhérente aux méthodes classiques dont on étend ainsi le domaine d’emploi.

En vue de la détection précoce d’un endommagement structural par des méthodes in- verses on cherche en général à déterminer les paramètres du modèle caractéristiques de l’endommagement, i.e. le module d’Young, afin de minimiser l’écart entre les mesures et la déformation issue de la simulation numérique, ici fondée sur l’élasticité plane. Dans le cadre du projet SIPRIS avec VINCI, on s’est intéressé aux mesures locales de déformation par fibre optique ou par jauges ponctuelles pour l’identification des paramètres du modèle par méthode adjointe. Cette stratégie a été implantée de façon non-intrusive à l’aide d’un superviseur en langage Python faisant appel au code de calcul Aster. Sur une poutre en béton précontraint de 8m de long, les méthodes inverses ont permis de détecter, de localiser et de quantifier un endommagement (zone rouge sur la Figure ci-dessous).

Avec NEXANS et RTE le projet EMODI qui s’inscrit dans le Domaine stratégique « Energies Marines Renouvelables » contribue à lever des verrous identifiés dans la feuille de route des EMR, tels que le raccordement des parcs EMR qui figure parmi les priorités européennes. On a créé un banc de fatigue dédié aux câbles sous tension, instrumentés par fibre optique et par nano-composites conducteurs. Les capteurs insérés à cœur servent à caler une modélisation analytique qui, à terme, permettra l’inspection avant mise en mer des câbles, sur la base d’une compréhension fine des couplages électro-thermo-mécaniques, un endommagement mécanique créant des singularités thermiques et de conductivité (figure b). Le but est ainsi de localiser et de juger du caractère pénalisant des défauts préalablement à l’installation très onéreuse de ces structures, un défaut sans danger pour la santé structurelle du câble pouvant dégrader de façon très significative la capacité de ce câble à transmettre la puissance électrique.

Dans le domaine de la mobilité, les data permettent de mieux comprendre les pratiques de mobilité et la manière dont elles s’articulent avec les territoires. La mise à disposition des données massives urbaines pose une question essentielle : Quels apports de connaissance sur nos mobilités et nos villes ces nouvelles données offrent-elles ? Et dans quelle mesure ces données peuvent-elles compléter les enquêtes classiques ? Cette problématique a été abordée à travers deux études : les données billettiques des transports collectifs de la ville de Rennes (Projet Mobilletic, figure a) et les données d’usage de systèmes de vélos en libre-service en partenariat avec JC Decaux et la Mairie de Paris (figure b).
Les travaux fondés principalement sur des méthodes d’apprentissage non-supervisé de type modèles de mélange à variables latentes ont débouché sur des modèles innovants.
Nous avons pu mettre en évidence, grâce au croisement des résultats de clustering avec les données socio-économiques des territoires sur lesquels les systèmes de transport sont déployés, les liens forts entre profil d’usage des stations et caractéristiques urbaines du voisinage de la station.
L’analyse des matrices Origine/Destination dynamiques dérivées des données de déplacement a permis de caractériser la dynamique des systèmes de transport afin d’aider à leur optimisation. Nous avons exploré dans ce cadre les modèles génératifs à variables latentes et les « topic models», initialement utilisés pour la fouille de texte. Une extension de ces modèles pour l’aide au dimensionnement et au positionnement des stations VLS a été proposée. L’extraction de routines temporelles d’usagers de transport urbain collectif (TC) à partir de données billettiques (ou données smartcard) a débouché sur un modèle génératif à deux niveaux de clustering permettant de fournir à la fois le partitionnement des usagers en groupes et une description fine du comportement de chaque groupe d’usagers à l’aide d’un profil continu en temps a été proposé. Ce travail a fait l’objet de collaboration avec l’école polytechnique de Montréal au Québec. Ces données permettent en effet de mettre en évidence des comportements de mobilité variables dans les transports en commun (selon les jours de la semaine et selon l’heure de la journée par exemple) et de s’affranchir de la vision jour moyen de mobilité qu’autorisent les enquêtes classiques. Les routines temporelles ainsi identifiées caractérisent finement la demande, et peuvent servir d’entrées aux modèles de simulation ; elles peuvent également être utilisées par les gestionnaires urbains et les opérateurs de transport pour des opérations de planification en vue d’adapter l’offre de transport à la demande. Cette connaissance fine de la demande dans l’espace et dans le temps peut être mise à profit pour offrir des services de mobilité à la demande.
L’exploitation innovante des données issues de dispositifs Bluetooth pour la gestion du trafic constitue un sujet original. Nos contributions portent sur la qualification et le traite- ment des données Bluetooth pour cartographier les états de trafic à l’échelle d’un réseau puis sur l’analyse spatio-temporelle des états des réseaux. La méthode dite «Latent Dirichlet allocation - LDA)», a permis de détecter des motifs temporels de fonctionnement du réseau.

L’utilisation des données Bluetooth pour l’estimation dynamique de matrice OD (figure c) a également donné lieu à une thèse qui a obtenu le double prix Abertis du meilleur Master et de la meilleure thèse au niveau international.

La caractérisation automatique et spatio-temporelle des fonctions urbaines au travers des données massives représente l’autre sujet important sur lequel on s’est mobilisé pour la gestion des villes intelligentes. Des travaux antérieurs sur des données de téléphonie mobile ont montré l’existence de fortes corrélations entre les propriétés du tissu urbain et la de- mande de communication mobile associée. De même, les traces GPS des véhicules flottants contiennent des informations importantes sur la demande de transport et sur les activités humaines qui peuvent être liées aux fonctions urbaines.
La caractérisation des fonctions urbaines qui émergent utilisent ici, conjointement, des traces GPS des véhicules sondes et des données de téléphonie mobile collectées par les fournisseurs de réseau (figure ci dessous).
Ces travaux sont fondés sur des techniques d’apprentissage non supervisé pour identifier les différentes classes de signatures (séries temporelles associés au trafic de téléphonie mo- bile et aux données GPS) caractéristiques de différentes fonctions urbaines. Ces techniques ont exploité les données réelles collectées dans des villes françaises et italiennes. Les résultats dévoilent l’existence de signatures communes aux zones étudiées et spécifiques à certaines fonctions socio-économiques.

L’émergence des réseaux intelligents permet la remontée d’un grand nombre de données dont l’exploitation croisée aidera à la création de services à valeur ajoutée pour le collectif. Ces données aident à mieux connaitre les habitudes de consommation et à les prévoir de façon précise. Elles aident aussi à détecter des anomalies au niveau des infrastructures. Pour cela, on dispose de données massives, spatiales et temporelles. On a développé des techniques adaptées d’analyse des masses de données produites pour mieux comprendre l’usage des systèmes et identifier des motifs spatio-temporels en vue ensuite de mettre au point des outils de prévision et de gestion intelligente.
Nos propositions s’appuient sur deux projets : l’un en partenariat avec VEOLIA et le Syndicat des Eaux D’Ile de France, et l’autre (projet Smart City Energy) coordonné par SystemX. Nos modèles et algorithmes permettent d’agréger de longues séries temporelles périodiques sur l’usage de l’eau et l’électricité. On obtient une représentation simplifiée des masses de données initiales, avec un pouvoir prédictif. Une optimisation stochastique a per- mis la classification en ligne de séries temporelles massives par estimation des paramètres. Grâce à des modèles markoviens à variables latentes tenant compte du contexte (calendaire, météorologique) on peut prévoir les habitudes de consommation à l’échelle d’un réseau (ville, quartier)